Modeling and forecasting of time series models of electricity consumption in the Northeast Region of Brazil

Authors

Keywords:

Forecasts, Holt-Winters, Box-Jenkins

Abstract

Electric energy is one of the most used forms of energy, which is important for world economic growth. In this context, we analyzed the time series of electricity consumption in the Brazilian Northeast from January 1997 to May 2021. The forecast for the year 2021 was estimated based on methodologies used in the time series. The methods applied for these predictions were the Holt-Winters algorithms in the additive and multiplicative forms and the Box-Jenkins modeling methodology (we used the SARIMA and SARIMAX models). For the case of the SARIMAX model, a dummy variable was applied, with values of 1 for the months from June 2001 onwards, using the energy rationing of the Fernando Henrique Cardoso government as a reference and 0 for the previous months. The choice of model for time series adjustment was based on the criteria AIC (Akaike Information Criterion), BIC (Bayesian Information Criterion), and MSPE (Mean Prediction Forecast Error). The calculations were performed using the R statistical software. Finally, the model SARIMA (4,1,1)(2,0,0)12 provided the best forecast for electricity consumption in the Brazilian Northeast.

 

 

References

BOX, G. E. P. et al. Time series analysis. Forecasting and control. 5th ed. 5th ed..ed. [S.l.]: Hoboken, NJ: John Wiley & Sons, 2016. 712 p. ISSN 1940-6347. ISBN

-1-118-67502-1/hbk.

BROCKWELL, P. J. et al. Introduction to time series and forecasting. [S.l.]: Springer, 2016.

CAMPOS, R. J. Previsão de séries temporais com aplicações a séries de consumo de energia elétrica. Universidade Federal de Minas Gerais, 2008.

DICKEY, D. A.; FULLER, W. A. Distribution of the estimators for autoregressive time series with a unit root. Journal of the American statistical association, Taylor & Francis, v. 74, n. 366a, p. 427-431, 1979.

EHLERS, R. S. Análise de séries temporais. Laboratório de Estatística e Geoinformação. Universidade Federal do Paraná, 2007. Disponível em: http://www.each.usp.br/rvicente/ AnaliseDeSeriesTemporais.pdf. Acesso em: 16 de Abril de 2021.

ENERGÉTICA, E. D. P. Matriz Energética e Elétrica1. 2019. Disponível em: https://www.epe.gov.br/pt/abcdenergia/matriz-energetica-e-eletrica. Acesso em: 13 de Agosto de 2021.

GOLDENBERG, J.; PRADO, L. T. S. Reforma e crise do setor elétrico no período fhc. Tempo social, SciELO Brasil, v. 15, p. 219-235, 2003.

HYNDMAN, R. J.; KHANDAKAR, Y. Automatic time series forecasting: the forecast package for r. Journal of statistical software, v. 27, n. 1, p. 1-22, 2008.

IPEADATA. Banco de Dados: Energia elétrica referente ao consumo na região Nordeste (NE). 2021. Disponível em: http://www.ipeadata.gov.br/Default.aspx. Acesso em: 19 de Julho de 2021.

JUNIOR, L. M. C. et al. Previsão do consumo de eletricidade no nordeste brasileiro. Engevista, v. 20, n. 3, p. 408-423, 2018.

LIMA, J. E. C.; CASTRO, L. F. de; CARTAXO, G. A. A. Aplicação do modelo sarima na previsão de demanda no setor calçadista/application of the sarima model in the forecast for demand in the footwear sector. ID on line REVISTA DE PSICOLOGIA, v. 13, n. 46, p. 892?913, 2019.

MONTGOMERY, D. C.; JENNINGS, C. L.; KULAHCI, M. Introduction to time series analysis and forecasting. [S.l.]: John Wiley & Sons, 2015.

MORETTIN, P. A.; TOLOI, C. Análise de séries temporais. In: Análise de séries temporais. [S.l.: s.n.], 2006. p. 538-538.

SALES, L. O. A. Testando a hipótese de passeio aleatório no mercado de ações brasileiro. Tese (Doutorado), 2017.

SCHMIDT, C. A. J.; LIMA, M. A. A demanda por energia elétrica no brasil. Revista brasileira de economia, SciELO Brasil, v. 58, p. 68?98, 2004.

SHUMWAY, R.; STOFFER, D. Time series analysis using the R Statistical Package. [S.l.]: free dog publishing, 2017.

R CORE TEAM. R: A language and environment for statistical computing (R Version 4.0. 3, R Foundation for Statistical Computing, Vienna, Austria, 2020). 2021. Disponível em: https://www.r-project.org/. Acesso em: 12 de Agosto de 2021.

TIDRE, P. V. V.; BIASE, N. G. G.; SILVA, M. I. de S. Utilização dos modelos de séries temporais na previsão do consumo mensal de energia elétrica da região norte do brasil. Matemática e Estatística em Foco, v. 1, n. 1, p. 57-66, 2013.

WALTER, O. M. F. C. et al. Aplicação de um modelo sarima na previsão de vendas de motocicletas. Exacta, Universidade Nove de Julho, v. 11, n. 1, p. 77-88, 2013.

Downloads

Published

26-01-2023

How to Cite

Gomes de Araújo, E., Fernando Alvez Xavier Júnior, S. ., Fialho Morais Barbosa, N., & Almeida de Oliveira, T. (2023). Modeling and forecasting of time series models of electricity consumption in the Northeast Region of Brazil. Sigmae, 12(1), 10–28. Retrieved from https://publicacoes.unifal-mg.edu.br/revistas/index.php/sigmae/article/view/2008

Issue

Vol. 12 No. 1 (2023): Special issue: 66th RBRAS

Section

Full papers

License

Proposta de Política para Periódicos de Acesso Livre


Autores que publicam nesta revista concordam com os seguintes termos:

    1. Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.

    1. Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.

  1. Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).